薄樹奎，程秋云

　　（鄭州航空工業(yè)管理學(xué)院 計(jì)算機(jī)學(xué)院，河南 鄭州 450015）

       摘要：地面目標(biāo)在不同尺度的遙感影像中表現(xiàn)出不同的特征，對(duì)自動(dòng)目標(biāo)識(shí)別的準(zhǔn)確性有很大影響。基于多分辨率遙感影像，研究典型圖像目標(biāo)的識(shí)別技術(shù)，給出了多尺度圖像目標(biāo)識(shí)別框架。首先針對(duì)不同尺度的遙感影像，分析了每個(gè)尺度上目標(biāo)識(shí)別的有效特征。然后在提取典型目標(biāo)的多種特征基礎(chǔ)上，對(duì)這些特征進(jìn)行尺度相關(guān)性分析，并研究不同的尺度對(duì)目標(biāo)形狀結(jié)構(gòu)等特征產(chǎn)生的影響。實(shí)驗(yàn)結(jié)果表明，基于多分辨率遙感影像的識(shí)別框架可以有效地實(shí)現(xiàn)圖像目標(biāo)的分析與識(shí)別。

　　關(guān)鍵詞：多尺度；機(jī)場(chǎng)；目標(biāo)識(shí)別；特征；遙感

　　中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：ADOI： 10.19358/j.issn.1674 7720.2016.20.012

　　引用格式：薄樹奎，程秋云. 遙感圖像目標(biāo)多尺度特征分析［J］.微型機(jī)與應(yīng)用，2016,35（20）：45 48.

0引言

　　自動(dòng)目標(biāo)識(shí)別（Automatic Target Recognition，ATR）及其相關(guān)技術(shù)在航空航天、遙感、工業(yè)自動(dòng)化等領(lǐng)域具有廣泛的應(yīng)用［1-5］。典型的自動(dòng)目標(biāo)識(shí)別系統(tǒng)可分為三個(gè)工作階段：檢測(cè)、辨識(shí)、分類。檢測(cè)階段是從大范圍的圖像區(qū)域中找出可能存在目標(biāo)的區(qū)域［3］，即感興趣區(qū)域（Region of Interest，ROI）。在目標(biāo)檢測(cè)階段因處理的圖像尺寸較大，為提高計(jì)算效率，一般采用簡(jiǎn)單、快速的方法，得到較高虛警率的檢測(cè)結(jié)果。如參考文獻(xiàn)［6］引入模糊邏輯的概念，提出了一種非均勻背景的合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像目標(biāo)檢測(cè)算法，具有一定的實(shí)用價(jià)值。辨識(shí)階段是對(duì)檢測(cè)獲得的感興趣區(qū)域作進(jìn)一步的判斷，以剔除不含待識(shí)別目標(biāo)的區(qū)域，如參考文獻(xiàn)［7］首先采用閾值方法進(jìn)行海洋和陸地的分割，在基于塊的統(tǒng)計(jì)特征表示方法的基礎(chǔ)上，快速確定中、小型港口的候選區(qū)域。分類識(shí)別階段是最終的目標(biāo)性質(zhì)和類別的確定，如參考文獻(xiàn)［8］研究了一種基于上下文的機(jī)場(chǎng)目標(biāo)識(shí)別方法，將機(jī)場(chǎng)各組成部分間存在的依賴關(guān)系應(yīng)用于識(shí)別技術(shù)中。自動(dòng)目標(biāo)識(shí)別的三個(gè)工作階段是為了快速準(zhǔn)確地提取目標(biāo)，采取從粗到細(xì)的策略，首先從尺度圖像中快速提取出目標(biāo)可能存在的區(qū)域，然后再利用精細(xì)特征對(duì)候選區(qū)域進(jìn)一步確認(rèn)分析，去除虛警，并對(duì)目標(biāo)進(jìn)行識(shí)別與分類。

　　尺度在目標(biāo)的檢測(cè)和識(shí)別中起著重要作用，而多尺度方法可以真實(shí)地反映地面目標(biāo)的表現(xiàn)形式，在目標(biāo)識(shí)別領(lǐng)域受到廣泛重視。如參考文獻(xiàn)［9］結(jié)合多尺度幾何分析和局部二值模式算子，構(gòu)造了一種新目標(biāo)特征及相應(yīng)的識(shí)別方法，實(shí)驗(yàn)表明該特征比傳統(tǒng)小波域特征有更強(qiáng)的鑒別能力。參考文獻(xiàn)［10］詳細(xì)論述了圖像的多尺度幾何分析方法，比較研究了多尺度變換域的多種統(tǒng)計(jì)模型，并進(jìn)行了相關(guān)的實(shí)例研究。參考文獻(xiàn)［11］利用小波不同尺度的特性，采用小波多尺度積的方法提取出目標(biāo)圖像的邊緣，兼顧了圖像的細(xì)節(jié)與輪廓特征，將目標(biāo)圖像不同層次的輪廓信息和細(xì)節(jié)信息相結(jié)合，解決復(fù)雜背景下目標(biāo)的識(shí)別問(wèn)題。參考文獻(xiàn)［12］則提出了一種基于多尺度變形模板的目標(biāo)識(shí)別方法，也是利用小波變換的多尺度特性，由粗至精進(jìn)行匹配，并在多種圖像上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果良好。參考文獻(xiàn)［13］采用小波多尺度邊緣檢測(cè)，引入邊緣概率，利用最大似然法對(duì)目標(biāo)和背景分類探測(cè)進(jìn)行處理，獲得目標(biāo)模式識(shí)別的最大似然概率，用于解決紅外目標(biāo)探測(cè)中的問(wèn)題。

　　目前多尺度目標(biāo)識(shí)別方法大都是在一幅原始圖像上進(jìn)行多尺度的變換，并提取多尺度特征進(jìn)行目標(biāo)的識(shí)別，在多尺度變換中，往往會(huì)有圖像信息的丟失，而且變換中的尺度選擇也是一個(gè)難題。本文針對(duì)傳感器直接獲取的多幅不同分辨率的圖像，研究多尺度的目標(biāo)識(shí)別問(wèn)題。提出了更加完善的多尺度識(shí)別技術(shù)框架，包括三個(gè)尺度概念：超尺度、大尺度、小尺度。并且，以機(jī)場(chǎng)目標(biāo)為例，通過(guò)實(shí)驗(yàn)結(jié)果分析了不同的尺度層次及其對(duì)應(yīng)的有效特征。

1多尺度圖像目標(biāo)識(shí)別

　　多尺度的自動(dòng)目標(biāo)識(shí)別要快速準(zhǔn)確地提取圖像目標(biāo)，需要從粗到細(xì)逐步進(jìn)行目標(biāo)的搜索、辨別與分類，為此，本文將多尺度圖像目標(biāo)識(shí)別分為三個(gè)基本的級(jí)別，即超尺度、大尺度和小尺度。多尺度圖像目標(biāo)識(shí)別，首先在同一區(qū)域獲取不同分辨率的遙感影像，由于同一地物類別在不同的空間分辨率中的光譜響應(yīng)值與像元大小的非線性相關(guān)性，所以同一地物目標(biāo)在不同尺度的圖像中呈現(xiàn)的特征不是平均或平分的對(duì)應(yīng)關(guān)系。同一地物目標(biāo)表現(xiàn)出的特征會(huì)隨著尺度的變化產(chǎn)生差異，而且這種差異有時(shí)會(huì)很大，嚴(yán)重影響了目標(biāo)識(shí)別結(jié)果。因此，在不同分辨率的圖像中，對(duì)同一地物目標(biāo)進(jìn)行有效描述的特征不同，即使相同的特征，不同分辨率圖像得到的特征值也不相同，這些將嚴(yán)重影響目標(biāo)識(shí)別的結(jié)果，所以尺度變化對(duì)目標(biāo)識(shí)別的影響需要分析。圖1所示為多尺度圖像目標(biāo)識(shí)別框架，在不同的尺度中，關(guān)鍵問(wèn)題是選擇對(duì)應(yīng)的有效識(shí)別特征，下面將分別進(jìn)行論述。

　　1.1超尺度目標(biāo)區(qū)域搜索

　　超尺度就是像素尺寸超出了目標(biāo)的大小，從而目標(biāo)根本不可見或者極其模糊，只是一個(gè)光譜亮度能粗略區(qū)別的異物，不能計(jì)算目標(biāo)的面積、輪廓、形狀等特征。在自動(dòng)目標(biāo)識(shí)別中，首先要在大范圍的低分辨率圖像內(nèi)進(jìn)行檢測(cè)，雖然不能發(fā)現(xiàn)目標(biāo)，甚至目標(biāo)的大致輪廓也不能確定，但能找出目標(biāo)可能存在的區(qū)域，為下一步確認(rèn)目標(biāo)做準(zhǔn)備。在候選目標(biāo)區(qū)域檢測(cè)階段，由于目標(biāo)基本不可見，主要選擇目標(biāo)的上下文語(yǔ)義特征。

就遙感圖像中地面目標(biāo)的識(shí)別而言，由于各種地物都有其特定環(huán)境，目標(biāo)與目標(biāo)間、目標(biāo)與背景間都具有內(nèi)在關(guān)聯(lián)。通常，一類目標(biāo)的存在可以確定或排除其鄰域中另一類目標(biāo)出現(xiàn)的可能性。例如，有河流的地方可以確定為可能存在橋梁的區(qū)域；造船廠一般不會(huì)建設(shè)在沒(méi)有水的地方。這樣一些由周圍環(huán)境所傳遞的信息，稱為上下文信息。上下文信息是圖像理解中最重要的方面之一，上下文信息描述圖像區(qū)域的相互關(guān)系。人們?cè)谟^察事物時(shí)常常有意識(shí)或下意識(shí)地利用上下文信息，而且使其發(fā)揮極大作用。例如在高分辨率圖像中識(shí)別公園，公園一般是大面積的有連續(xù)植被的區(qū)域，而且公園都是在城區(qū)內(nèi)，周圍有街區(qū)等，可以用來(lái)區(qū)別公園和牧場(chǎng)。上下文語(yǔ)義信息用來(lái)確定目標(biāo)可能存在的區(qū)域，如橋梁識(shí)別，首先搜索河流目標(biāo)，港口識(shí)別要沿著海岸搜索。

　　1.2大尺度目標(biāo)辨別

　　大尺度指的是能夠識(shí)別目標(biāo)的大致輪廓，但不能準(zhǔn)確估計(jì)目標(biāo)的面積、結(jié)構(gòu)等，可以使用光譜、形狀特征。獲取目標(biāo)的輪廓特征需要對(duì)圖像進(jìn)行分割，由圖像分割后產(chǎn)生的目標(biāo)區(qū)域的形狀特征表示。形狀信息的提取是在對(duì)構(gòu)成圖像目標(biāo)的像素空間分布統(tǒng)計(jì)的基礎(chǔ)上進(jìn)行的，其中一個(gè)基本統(tǒng)計(jì)量就是協(xié)方差矩陣，表示如下，

　　式中，X和Y分別是該對(duì)象內(nèi)的像素(x, y )坐標(biāo)組成的矢量，Var(X)和Var(Y)分別是X和Y的方差，Cov(XY)是X和Y之間的協(xié)方差。

　　形狀特征描述形式很多，如下是大尺度圖像中幾種常用的形狀描述。

　　面積A：組成該對(duì)象的像素總數(shù)。

　　長(zhǎng)寬比：和eig2分別是協(xié)方差矩陣的特征值。長(zhǎng)度：l=；寬度：；形狀指數(shù)：描述對(duì)象邊界的光滑程度，邊界越破碎，值越大，e為邊界像素?cái)?shù)；密度：表示一個(gè)對(duì)象的緊湊程度，值越大表示對(duì)象越接近正方形，n為其中的像素?cái)?shù)目。

　　主方向：圖像對(duì)象的主方向定義為協(xié)方差矩陣的較大特征值對(duì)應(yīng)的特征向量的方向。

　　1.3小尺度目標(biāo)分類識(shí)別

　　小尺度指的是能夠準(zhǔn)確估計(jì)目標(biāo)的面積、結(jié)構(gòu)等信息，因此小尺度上目標(biāo)的長(zhǎng)、寬、面積、形狀指數(shù)等形狀特征都可以利用，包括描述對(duì)象間或目標(biāo)內(nèi)部幾何關(guān)系的拓?fù)涮卣鳌Ｍ負(fù)涮卣靼ㄗ笥摇P(guān)系、距離等，如機(jī)場(chǎng)目標(biāo)，其跑道、滑行道、停機(jī)坪、指揮塔臺(tái)等各個(gè)組合單元都是按一定的關(guān)系進(jìn)行位置配置的，而這些單元在小尺度圖像中能夠清晰分辨出來(lái)，所以，拓?fù)涮卣魇切〕叨壬系囊粋€(gè)有效識(shí)別特征。

　　小尺度影像中目標(biāo)的結(jié)構(gòu)與在大尺度中存在著明顯的差別。在圖像目標(biāo)區(qū)域分割中，處在目標(biāo)邊緣的混合像元要么被分為目標(biāo)類別，要么被分為背景類別，因此，混合像元所占的比例決定了目標(biāo)測(cè)量的誤差，從而引起目標(biāo)的形狀結(jié)構(gòu)變化。尤其是在低分辨率的圖像中，邊緣區(qū)域所占的比例較大，會(huì)影響目標(biāo)的準(zhǔn)確提取，隨著分辨率的提高，目標(biāo)邊緣變得更加清晰，因此，誤差變小，可以對(duì)目標(biāo)進(jìn)行準(zhǔn)確的提取與識(shí)別。

2實(shí)驗(yàn)結(jié)果分析

　　以機(jī)場(chǎng)目標(biāo)為例，采用多尺度圖像進(jìn)行目標(biāo)識(shí)別，并對(duì)結(jié)果進(jìn)行分析。根據(jù)多尺度識(shí)別框架，首先在超尺度上進(jìn)行目標(biāo)區(qū)域搜索。對(duì)于機(jī)場(chǎng)目標(biāo)，一般在城市外圍一段距離以內(nèi)，搜索可能存在目標(biāo)的區(qū)域，區(qū)域內(nèi)有一定面積的不透水面類別。圖2所示為超尺度遙感影像中民用機(jī)場(chǎng)的候選區(qū)域搜索，圖2是在城市郊區(qū)范圍搜索分布有不透水面類別而且面積足夠大的區(qū)域，將其作為機(jī)場(chǎng)候選區(qū)域。

　　在超尺度上確定目標(biāo)可能存在的候選區(qū)域后，要進(jìn)一步在大尺度上對(duì)目標(biāo)進(jìn)行辨別。機(jī)場(chǎng)目標(biāo)的光譜特征和周圍背景具有較大的差異，而且具有明顯的形狀特征，在大尺度下也能夠從大致輪廓中進(jìn)行辨識(shí)，如圖3所示為四個(gè)尺度的機(jī)場(chǎng)目標(biāo)影像，尺度從(a)到(d)逐漸減小。

　　如圖4所示為圖3中圖像分割結(jié)果，將其中的機(jī)場(chǎng)目標(biāo)分割出來(lái)。圖4分割結(jié)果中提取的圖像目標(biāo)的形狀特征取值如表1所示。由于不同尺度的圖像分割提取的目標(biāo)完整性有差別，面積、長(zhǎng)、寬、形狀指數(shù)等特征并非嚴(yán)格一致或按固定比例，因此，在目標(biāo)識(shí)別中，不同尺度的圖像所依據(jù)的形狀特征是不同的，在分辨率低的圖像中，目標(biāo)的形狀特征要求較粗略，而高分辨率中則要求更精細(xì)。如本實(shí)驗(yàn)中，由于低分辨率的圖像目標(biāo)邊界模糊，不易分割完全，因此在這樣的分辨率下根據(jù)形狀特征識(shí)別機(jī)場(chǎng)目標(biāo)，不能以完整的兩條平行跑道為標(biāo)準(zhǔn)進(jìn)行判斷，而是依據(jù)長(zhǎng)寬比、密度、主方向等特征。本實(shí)驗(yàn)中密度特征在不同尺度下保持了一定的取值范圍，而主方向則具有更高的一致性。雖然圖像分辨率不同，目標(biāo)分割的完整程度也有差別，但圖像中目標(biāo)的主方向特征極其相近，說(shuō)明主方向可以作為此類目標(biāo)的尺度不變特征加以利用。

　　大尺度圖像中只能辨別目標(biāo)的大致輪廓，而在多分辨率圖像中的一些結(jié)構(gòu)特征變化明顯，需要在小尺度上進(jìn)一步識(shí)別。在圖4（a）中，跑道寬度為2個(gè)像素，跑道中間寬度為2像素，比例為1:1；在圖4（b）中，跑道寬度為3個(gè)像素，跑道中間寬度為4像素，比例為1:1.33；在圖4（c）中，跑道寬度為5個(gè)像素，跑道中間寬度為7.5像素，比例為1:1.5；在圖4（d）中，跑道寬度為10個(gè)像素，跑道中間寬度為15像素，比例為1:1.5。在圖4中多分辨率圖像中目標(biāo)結(jié)構(gòu)變化如表2所示。從表中可以看出，隨著分辨率的提高，中間地帶與跑道的比例也逐漸增大，體現(xiàn)了同一目標(biāo)在不同分辨率圖像中的結(jié)構(gòu)變化特性，表明在小尺度上的形狀結(jié)構(gòu)特征描述更加準(zhǔn)確，可以作為目標(biāo)識(shí)別的有效特征。

　　由于小尺度上目標(biāo)各部分可以被更加準(zhǔn)確地測(cè)量，對(duì)目標(biāo)結(jié)構(gòu)以及各個(gè)部分的拓?fù)潢P(guān)系的描述會(huì)更加完善，如圖4中所示，機(jī)場(chǎng)兩條跑道的平行關(guān)系、跑道之間的聯(lián)通形式、間隔區(qū)域與跑道之間的比例關(guān)系，以及跑道與停機(jī)坪的拓?fù)潢P(guān)系等，都可以作為機(jī)場(chǎng)目標(biāo)識(shí)別的有效特征。

3結(jié)論

　　尺度特性在目標(biāo)識(shí)別中起著關(guān)鍵性的作用，多尺度方法可以完成從目標(biāo)的檢測(cè)、辨識(shí)到識(shí)別三個(gè)階段的任務(wù)。本文以機(jī)場(chǎng)目標(biāo)為例，基于同一目標(biāo)場(chǎng)景的多個(gè)分辨率圖像，從三個(gè)階段研究了目標(biāo)的識(shí)別過(guò)程，分析了不同尺度下機(jī)場(chǎng)目標(biāo)識(shí)別的有效特征。由于圖像目標(biāo)邊緣處的誤差，因而在不同分辨率圖像中提取的目標(biāo)結(jié)構(gòu)特征有顯著差異。在一個(gè)尺度上的目標(biāo)特征，與在另一個(gè)尺度上表現(xiàn)的特征相差甚遠(yuǎn)，甚至有可能消失。因此，必須在合適的尺度上選擇合適的目標(biāo)特征進(jìn)行操作，以提高遙感圖像目標(biāo)識(shí)別的精確性。

　　參考文獻(xiàn)

　　［1］ 叢瑜,周偉,于仕財(cái),等.一種對(duì)港口影像進(jìn)行艦船目標(biāo)提取方法［J］.計(jì)算機(jī)仿真, 2014, 31(1): 22-25,40.

　　［2］ 李新德,楊偉東, JEAN D.一種飛機(jī)圖像目標(biāo)多特征信息融合識(shí)別方法［J］.自動(dòng)化學(xué)報(bào), 2012, 38(8): 1298-1307.

　　［3］ 王彥情,馬雷,田原.光學(xué)遙感圖像艦船目標(biāo)檢測(cè)與識(shí)別綜述［J］.自動(dòng)化學(xué)報(bào)，2011, 37(9): 1029-1039.

　　［4］ 劉婧,孫繼銀,朱俊林，等.基于模板匹配的前視紅外目標(biāo)識(shí)別方法［J］.彈箭與制導(dǎo)學(xué)報(bào),2010,30(1):17-20.

　　［5］ 李博,曹鵬,栗偉,等.基于尺度空間中多特征融合的醫(yī)學(xué)影像分類［J］.計(jì)算機(jī)應(yīng)用, 2013, 33(4): 1108-1111, 1114.

　　［6］ 徐晶,張弓.基于模糊CFAR的SAR圖像非均勻背景目標(biāo)檢測(cè)算法［J］.宇航學(xué)報(bào),2011,32(7): 1612-1617.

　　［7］ 朱兵,李金宗,陳愛軍.大尺度遙感圖像中港口目標(biāo)快速識(shí)別［J］. 模式識(shí)別與人工智能, 2006,19(4): 552-556.

　　［8］ 劉蒽蒽,桑農(nóng),曹治國(guó),等.基于上下文的機(jī)場(chǎng)目標(biāo)識(shí)別方法［J］.紅外與激光工程, 2004,33(1): 67-70.

　　［9］ 潘泓,李曉兵,金立左,等.基于多尺度幾何分析的目標(biāo)描述和識(shí)別［J］.紅外與毫米波學(xué)報(bào), 2011, 30(1):85-90.

　　［10］ 焦李成,孫強(qiáng).多尺度變換域圖像的感知與識(shí)別:進(jìn)展和展望［J］.計(jì)算機(jī)學(xué)報(bào), 2006, 29(2):177-193.

　　［11］ 陳方涵,苗華,陳宇，等.基于小波多尺度積的目標(biāo)識(shí)別［J］.光學(xué)學(xué)報(bào), 2009, 29(5): 1223-1226.

　　［12］ 余莉,王潤(rùn)生.基于多尺度變形模板的目標(biāo)檢測(cè)與識(shí)別［J］.計(jì)算機(jī)研究與發(fā)展, 2002, 39(10): 1325-1330.

　　［13］ 李朝暉,王冰,陳明.基于小波多尺度和最大似然法的紅外目標(biāo)探測(cè)［J］.光學(xué)學(xué)報(bào),2009, 29(12): 3404-3408.